Machine Learning Enhanced Quantum State Tomography on FPGA
本文提出将基于机器学习的量子态层析部署到FPGA边缘设备，相比GPU实现推理时间降低一个数量级且保真度仅下降约1%。
2025-01-08 quant-ph
Quantum Machine Learning for State Tomography Using Classical Data
University of Maryland, College Park（马里兰大学帕克分校）；UMD National Quantum Lab（UMD国家量子实验室）；Davidson College（戴维森学院）
本文提出一种基于量子机器学习的量子态重构协议，仅使用经典测量数据在NISQ设备上实现高保真度重构，展示了在不同量子态上的成功应用。
2025-10-31 quant-ph
Self-consistent tomography of temporally correlated errors
量子计算机的误差模型对于优化量子算法以使用量子纠错或误差减轻来最小化误差的影响是必不可少的。具有时间相关性的噪声，例如低频噪声和上下文相关噪声，在量子计算设备中很常见，有时甚至很重要。然而，传统的层析成像方法还没有被开发用于获得描述时间相关性的误差模型。在本文中，我们提出了自洽层析成像协议，以获得时间相关的错误模型，我们证明了我们的协议是有效的低频噪声和上下文相关的噪声。
2020-10-18 quant-ph
Direct parameter estimations from machine-learning enhanced quantum state tomography
机器学习（ML）增强的量子态层析成像（QST）具有对任意复杂的数据模式找到最佳拟合的能力，在提取关于量子态的完整信息方面表现出其优势。代替使用重建模型训练截断密度矩阵，我们开发了一个高性能，轻量级，易于安装的监督特征模型，通过直接生成的目标参数。这种基于特征模型的ML-QST方法可以避免处理大Hilbert空间的问题，同时保持高精度的特征提取。利用平衡零差探测器的实验测量数据，比较了重构模型和特征模型预测的量子噪声压缩态的退化信息，两者均与协方差方法的经验拟合曲线一致。这种具有直接参数估计的ML-QST为压缩态的应用提供了重要的诊断工具箱，包括先进的引力波探测器，量子精密测量，宏观量子态产生和量子信息处理。
2022-03-30 quant-ph
Machine Learning for Quantum State Tomography: Robust Covariance Matrix Estimation for Squeezed Vacuum States with Thermal Noise
本文提出一种基于卷积神经网络的机器学习方法，用于在热噪声下估计高斯量子态的协方差矩阵，该方法利用稀疏测量实现高保真重构，并通过实验验证了对热掺混退化的鲁棒性，为多模系统实时量子态层析奠定基础。
2025-09-26 quant-ph
Quantum State Tomography using Quantum Machine Learning
University of the Witwatersrand（威特沃特斯兰德大学）
针对传统量子态层析测量开销大的问题，论文整合并实现多种QML方法，在模拟与实验多量子比特系统上以更少测量达到98%保真度。
2023-08-20 cs.LG physics.comp-ph physics.data-an
Efficient Quantum Mixed-State Tomography with Unsupervised Tensor Network Machine Learning
本文提出基于局域纯化态拟设和无监督张量网络机器学习的高效混合态量子态层析方案，以远少于最小二乘法的POVM基数量实现更高保真度，并在10量子比特GHZ态上验证了其高效性与鲁棒性。
2023-08-14 quant-ph
Phase Dependent Quantum Optical Coherence Tomography
本文提出相位依赖的量子光学相干层析成像，通过在Hong-Ou-Mandel干涉仪中对纠缠光子对施加相移来消除多层样品交叉反射伪影，提升量子传感与生物医学成像的精度和可靠性。
2025-03-09 physics.app-ph quant-ph
Quantum network tomography of Rydberg arrays by machine learning
Indian Institute of Science Education and Research（印度科学教育研究所）；The University of Oklahoma（俄克拉荷马大学）；University of Strasbourg（斯特拉斯堡大学）；CNRS（法国国家科学研究中心）；PlanQC GmbH（PlanQC有限公司）
本文提出利用多阶段神经网络算法分析Rydberg原子阵列的量子传输结果，成功识别原子数量与位置，并提取有效Hamiltonian和退相干算子，为开放量子动力学建模提供了仅需单一基矢测量的新方法。
2024-12-07 quant-ph
Hybrid Quantum Machine Learning Assisted Classification of COVID-19 from Computed Tomography Scans
针对量子计算难以处理高维医学图像的问题，本文采用混合量子迁移学习，将肺部CT扫描分类为COVID-19、CAP或Normal，并比较多种量子电路与图像嵌入方案。
2023-10-04 eess.IV quant-ph
Benchmarking quantum tomography completeness and fidelity with machine learning
我们训练卷积神经网络来预测一组测量是否在信息上完整，以在没有先验信息的情况下唯一地重建任何给定的量子态。此外，我们执行保真度基准测试的基础上，这个测量集没有明确进行状态断层扫描。网络经过训练，可以识别保真度和信息完整性的可靠度量。通过逐渐积累测量和数据，这些经过训练的卷积网络可以通过加速运行时计算并大大减少实验中的系统漂移来有效地建立压缩量子态表征方案。我们确认了这种机器学习方法的潜力，提出了大尺寸的空间模式和多光子系统的实验结果。当网络使用来自真实实验数据的额外自举训练集进行训练时，这些预测进一步得到改善。使用厄米-高斯源的实际光束轮廓位移误差模型，我们进一步在数值上证明，在状态保真度显着恶化之前，经过训练的网络的认证时间的数量级减少大大增加了使用这些源的大规模量子处理器的计算产量。
2021-10-23 quant-ph
Retrieving space-dependent polarization transformations via near-optimal quantum process tomography
研究将遗传算法与机器学习应用于量子过程层析，以单比特酉算符模型重建空间依赖的偏振变换，实现对自旋轨道超表面光学作用的快速精确表征，为实时应用及更广泛量子过程优化奠定基础。
2023-03-19 physics.optics quant-ph
Semi-device-dependent blind quantum tomography
本文提出一种半设备依赖的盲量子态层析方法，利用量子态低秩结构和校准稀疏性，将问题松弛为低秩矩阵稀疏和去混合，在受限等距性质下以接近最优的测量设置数实现高可扩展且鲁棒的量子态与校准恢复。
2023-07-06 cs.IT math.IT quant-ph
Parity-dependent State Engineering and Tomography in the ultrastrong coupling regime
达到光-物质相互作用的强耦合机制导致了基础量子物理和量子信息处理应用的令人印象深刻的发展。不同量子技术的最新进展，如超导电路或半导体量子阱，表明也可以实现超强耦合机制（USC），其中预测了新的物理现象和潜在的计算效益。然而，这一制度缺乏有效的脱钩机制，迄今为止阻碍了控制和测量进程。在这里，我们提出了一种基于宇称对称性守恒的方法，允许在光-物质相互作用的超强耦合机制中产生和重建任意态。我们的协议需要最少的外部资源，通过利用USC系统和辅助的二能级量子系统之间的耦合。
2015-07-13 cond-mat.mes-hall cond-mat.supr-con quant-ph
Eigenstate extraction with neural-network tomography
我们讨论了量子态层析成像通过逐步重建的本征态的混合态在实验中产生的。我们的方法是针对实验相关类的近纯态或简单的混合态，表现出主导的本征态，从而借给自己的低秩近似。该方案适用于任何纯态层析成像方法，将其推广到混合态层析成像。在这里，我们用基于量子态的神经网络表示的机器学习启发的纯态断层扫描来证明它。后者已被证明可以有效地近似大型量子系统的复杂（纯）态的通用类。我们测试我们的方法，将其应用到实验数据与四到八个量子比特的捕获离子实验。
2020-09-01 quant-ph
Reconstruction of the Real Quantum Channel via Convex Optimization
量子过程层析成像通常用于完全表征未知的量子过程。然而，它可能导致一个非物理的过程矩阵，这将导致关于层析成像结果的信息丢失。凸优化广泛应用于机器学习，能够生成最适合原始数据的全局最优模型，同时将过程层析成像保持在合法区域中。只有正确地揭示过程的原始行为，才能更深入地探索它的性质，如它的相变和它的哈密顿量。因此，我们从我们在自由空间海水中获得的实验结果，使用凸优化重建真实的量子信道。此外，我们还提出了一个标准，状态偏差，以评估如何重建过程符合层析成像结果。我们相信量子过程层析成像和凸优化之间的交叉可能有助于我们向量子信道的机器学习迈进。
2018-09-12 quant-ph
Neural network state estimation for full quantum state tomography
Nanjing University（南京大学）
提出了一种基于机器学习技术的全量子态层析成像（WST）的有效状态估计模型-神经网络估计（NNE）。采用基于神经网络的参数化函数将测量结果映射到估计的量子态。参数更新与监督学习程序。从计算复杂度的角度来看，我们的算法是现有的全量子态层析成像状态估计算法中最有效的一种。我们进行数值测试，以证明我们的模型的准确性和可扩展性。
2018-11-19 cs.AI quant-ph
Variational quantum process tomography
量子过程层析成像是一种完全表征未知量子过程的实验技术。标准的量子过程层析成像遭受随着系统尺寸的增加而呈指数缩放的测量数量。在这项工作中，我们提出了一个量子机器学习算法，近似编码的未知幺正量子过程到一个相对浅的深度参数量子线路。我们证明了我们的方法，通过重建幺正量子过程产生的量子哈密顿演化和随机量子电路$8$量子比特。结果表明，这些量子过程可以重建高保真度，而所需的输入状态的数量至少是$2$数量级小于所需的标准量子过程层析成像。
2021-08-05 quant-ph
Practical Bayesian Tomography
近年来，贝叶斯方法已被提出作为解决量子态和过程层析成像中的广泛问题的方案。国家的最先进的贝叶斯层析成像解决方案遭受三个问题：数值棘手，缺乏信息先验分布，以及无法跟踪时间依赖的过程。在这里，我们解决所有三个问题。首先，我们使用由Huszár和Houlsby以及Ferrie开创的现代统计方法，使贝叶斯层析成像在数值上易于处理。我们的方法允许实际计算的量子态和信道的贝叶斯点和区域估计。其次，我们提出了第一个先验的量子态和通道，允许包括有用的实验见解。最后，我们开发了一种方法，允许跟踪的时间依赖的状态和估计的漂移和扩散过程影响的状态。我们为我们的方法提供了源代码和动画可视化示例。
2016-05-11 physics.data-an quant-ph stat.AP
Transformer Models for Quantum Gate Set Tomography
本文提出Ml4Qgst，利用Transformer模型结合高级训练策略进行量子门集层析成像，在单/双量子比特系统上实现与pyGSTi相当的精度，开创了深度学习在量子层析成像中的应用。
2025-01-22 quant-ph
Efficient Quantum State Tomography with Mode-assisted Training
代表量子态的神经网络（NN）通常使用基于马尔可夫链蒙特卡罗的方法来训练。然而，除非特别设计，这样的采样器只包括局部移动，使得即使对于极其简单的量子态，慢混合问题也很突出。在这里，我们建议使用模式辅助训练，通过NN分布的模式提供全局信息。将该方法应用于基于限制玻尔兹曼机的量子态层析成像中，重建的量子态质量提高了几个数量级。该方法适用于其他类型的神经网络，并可能有效地解决以前无法管理的问题。
2022-09-27 quant-ph
Experimental quantum process tomography of non trace-preserving maps
完全重建量子映射的能力是量子信息的一项基本任务，特别是当考虑到与环境的耦合和器件的实验缺陷时。在这种情况下，我们进行了量子过程层析成像（QPT）的方法，一组非保迹映射。我们引入了一个运营商$\OO$的状态依赖的成功概率的过程中调查的特点。我们还评估的结果近似的过程与保迹的。
2010-08-31 quant-ph
Bidirectional information flow quantum state tomography
多体量子系统的精确重构是现代物理学的主要挑战之一，因为要克服高维量子多体系统带来的指数复杂性问题是不切实际的。近年来，机器学习技术被广泛应用于量子信息的研究，神经网络生成模型也被用于量子态层析成像。本文提出了一种基于双向门控递归单元神经网络（BiGRU）的量子态层析成像方法，用于学习和重建易量子态和硬量子态。该方法能够用较少的测量样本重构这些量子态，并获得较高的保真度。
2021-03-31 quant-ph
Measuring quantum entanglement, machine learning and wave function tomography: Bridging theory and experiment with the quantum gas microscope
从量子气体显微镜的数据中可以提取出大量的信息，这些信息尚未得到充分的探索。量子气体显微镜已被用于直接测量磁序，动力学相关，泡利阻塞，和许多其他物理现象在最近的几个突破性的实验。然而，对来自量子气体显微镜的数据的分析可以进一步推进，当与理论结构结合使用时，它可以在广泛的系统中测量几乎任何感兴趣的可观察物。我们主要研究如何测量大相互作用量子系统中的量子纠缠。特别是，我们表明，量子气体显微镜可以用来测量相互作用玻色子系统的纠缠度，而以前人们认为这只可能用于非相互作用系统。我们考虑可以适用于类似于理论变分蒙特卡罗技术的大型实验数据集的算法，以及使用关联函数属性的更多数据限制集。
2016-09-26 cond-mat.dis-nn cond-mat.quant-gas cond-mat.str-el
Machine learning methods in quantum computing theory
经典机器学习理论和量子计算理论是当今发展最快的科学领域之一。近年来，研究人员研究了量子计算是否有助于改进经典机器学习算法。量子机器学习包括涉及经典算法和量子算法的混合方法。量子方法可以用来分析量子态而不是经典数据。另一方面，量子算法可以指数级地改进经典的数据科学算法。在这里，我们展示了量子机器学习的基本思想。我们提出了几种结合经典机器学习算法和量子计算方法的新方法。我们演示了多类树张量网络算法，并在IBM量子处理器上得到了验证。此外，我们还介绍了神经网络方法来解决量子层析成像问题。我们的层析成像方法使我们能够预测量子态排除噪声的影响。这种经典-量子方法可以应用于各种实验中，以揭示输入数据和输出测量结果之间的潜在依赖关系。
2019-06-21 quant-ph
Local-measurement-based quantum state tomography via neural networks
量子态层析成像是实验量子计算的一个艰巨挑战，即使在中等规模的系统。提高状态层析成像效率的一种方法是通过对约化的密度矩阵的局部测量，但是此后的完整状态的重建是困难的。在这里，我们提出了一种机器学习方法来从其本地信息中恢复完整的量子态，其中构建了一个完全连接的神经网络来完成多达7个量子位的任务。特别地，我们用一个实际的数据集测试了神经网络模型，在一个4-qubit核磁共振系统中，我们的方法通过2-本地信息以高精度产生全局状态。我们的工作为大型量子系统中的可扩展状态层析成像铺平了道路。
2019-01-11 quant-ph
Variational Quantum Circuits for Quantum State Tomography
National University of Defense Technology（国防科技大学）；National Innovation Institute of Defense Technology（国防科技创新研究院）
量子态层析成像是大多数量子实验中的关键过程。在这项工作中，我们采用量子机器学习进行状态层析成像。给定一个未知的量子态，它可以通过最大化变分量子线路的输出和这个状态之间的保真度来学习。变分量子线路的参数数量随着量子比特的数量和线路深度线性增长，因此即使对于高度纠缠的状态，也只需要多项式测量。然后，利用经典电路模拟器将变分量子线路中的目标量子态信息转换为常见的形式。我们证明了我们的方法进行数值模拟的一维量子自旋链的基态的层析成像，使用变分量子线路模拟器。该方法适用于近期的量子计算平台，可用于实验相关量子态的相对大规模量子态层析成像。
2020-04-12 cs.LG physics.comp-ph quant-ph
Learning Temporal Quantum Tomography
The University of Tokyo（东京大学）；Next Generation Artificial Intelligence Research Center, The University of Tokyo（东京大学下一代人工智能研究中心）
在制备量子态的过程中，量化和验证控制水平是构建量子器件的核心挑战。量子态的特征来自实验测量，使用称为层析成像的程序，这需要大量的资源。此外，还没有制定用于具有时间处理的量子设备的断层扫描，其与标准断层扫描根本不同。我们开发了一个实用的和近似的层析成像方法，使用一个经常性的机器学习框架，这种有趣的情况。该方法基于称为量子库的系统与量子态流之间的重复量子相互作用。来自储存器的测量数据连接到线性读出器，以训练施加到输入流的量子信道之间的递归关系。我们展示了我们的量子学习任务的算法，然后提出了一个量子短期记忆能力，以评估短期量子设备的时间处理能力。
2021-12-07 cs.LG physics.data-an quant-ph
Algebraic Tomography of Non-Hermitian Floquet Systems from Observable Traces
The University of Tokyo（东京大学）
本文提出从可观测量迹线序列重构有限维非厄米Floquet系统单值矩阵的代数框架，利用Cayley-Hamilton和Hankel方法恢复谱数据，并探讨可辨识性限制与多可观测量扩展。
2026-06-07 cond-mat.mes-hall math-ph math.MP
Quantum state tomography with tensor train cross approximation
最近已经表明，由一维噪声量子计算机产生的状态可以很好地近似为具有与量子比特数量无关的有限键维数的矩阵乘积算子。我们表明，完整的量子态层析成像可以进行这样的状态与最小数量的测量设置使用一种方法称为张量训练交叉近似。该方法适用于重构满秩密度矩阵，并且仅需要测量局部算子，这在最先进的实验量子平台中常规地执行。我们的方法需要指数更少的状态副本比最知名的层析成像方法的非结构化状态和本地测量。我们重建状态的保真度可以通过监督机器学习进一步提高，而不需要更多的实验数据。如果可以从局部减少重建完整状态，则实现可缩放的层析成像。
2022-07-13 quant-ph
Faster Stochastic First-Order Method for Maximum-Likelihood Quantum State Tomography
National Taiwan University（国立台湾大学）；Hon Hai (Foxconn) Quantum Computing Centre（鸿海（富士康）量子计算中心）
在极大似然量子态层析成像中，样本大小和维数都随着量子比特的数量呈指数增长。因此，需要开发一种随机一阶方法，就像现代机器学习的随机梯度下降一样，来计算极大似然估计。为此，我们提出了一种算法称为随机镜像下降与伯格熵。其预期优化误差以$O ( \sqrt{ ( 1 / t ) d \log t } )$速率消失，其中$d$和$t$分别表示迭代的维数和次数。其每次迭代的时间复杂度为$O ( d^3 )$，与样本大小无关。据我们所知，这是目前计算最快的随机一阶方法的最极大似然量子态层析成像。
2022-11-23 cs.LG math.OC quant-ph
Estimation of Coupling Constants of a Three-Spin Chain: Case Study of Hamiltonian Tomography with NMR
已经表明，自旋-1/2链中的自旋间相互作用强度可以通过仅访问其中一个边缘自旋来评估。我们用核磁共振（NMR）技术对最简单的三自旋链进行了实验验证。链中的三个自旋通过最近邻的伊辛相互作用下的站点依赖的横向场。所用的分子是含有三个$^{13}$ C核的丙氨酸，每个核具有自旋1/2。
2011-11-06 quant-ph
Neural Network Enhanced Single-Photon Fock State Tomography
本文提出神经网络增强的单光子Fock态层析方法，通过平衡零差探测和直方图架构直接估计Wigner函数负值性等参数，实现对光子数分布的快速、鲁棒和精确表征。
2024-05-05 quant-ph
Fourier Quantum Process Tomography
本文提出傅里叶量子过程层析技术，通过减少测量次数并利用相位恢复实现量子过程的完整表征，实验平均保真度超90%，具有计算优势。
2023-12-20 quant-ph
Quantum optical coherence tomography with dispersion cancellation
我们提出了一种新的技术，称为量子光学相干层析成像（QOCT），进行层析测量与色散取消的分辨率。该技术也可以用来提取介质的频率依赖的折射率。QOCT利用双光子干涉仪，其中扫描延迟允许追踪符合干涉图。该技术与经典的光学相干断层扫描（OCT）相似。然而，它利用了一个非经典的纠缠双光子光源，允许测量的深度大于那些通过OCT，这遭受样品分散的有害影响。除了色散抵消之外，QOCT还提供比OCT更高的灵敏度，以及对于相同的源带宽，分辨率提高2倍。使用理想化样本比较QOCT和OCT。
2001-11-26 quant-ph
Local Stochastic Factored Gradient Descent for Distributed Quantum State Tomography
Rice University（莱斯大学）
我们提出了一个分布式的量子态层析成像（QST）协议，命名为本地随机因子梯度下降（本地SFGD），学习一组本地机器上的密度矩阵的低秩因子。QST是描述量子系统状态的规范过程，我们将其表示为随机非凸光滑优化问题。物理上，低秩密度矩阵的估计有助于表征量子计算引入的噪声量。在理论上，我们证明了局部SFGD对于一般的限制强凸/光滑损失函数的局部收敛性，局部SFGD局部收敛到一个小的邻域的全局最优的线性速度与一个恒定的步长，而它的局部收敛正是在一个次线性的速度与递减的步长。在适当的初始化条件下，局部收敛结果隐含着全局收敛。我们验证了我们的理论研究结果与数值模拟QST的Greenberger-Horne-Zeilinger（GHZ）状态。
2022-06-01 cs.LG math.OC quant-ph
Efficient Pure State Quantum Tomography from Five Orthonormal Bases
对于任何有限维希尔伯特空间，我们明确地构造五个正交基，使得相应的测量允许有效的层析成像的任意纯量子态。这意味着这样的测量可以用来区分任意的纯态与任何其他状态，纯态或混合态，并且纯态可以以可行的方式从结果分布中重建。我们构建的测量集与未知状态无关，因此我们的结果为纯状态层析成像提供了一个固定的方案，而不是Goyeneche等人在[Phys. Rev. Lett. 115，090401（2015）]。我们表明，我们的计划是强大的噪声在这个意义上说，任何测量方案，这些测量近似足够好，同样适用于纯状态层析成像。最后，我们提出了两个凸规划，可以用来重建未知的纯态的测量结果分布。
2016-04-11 quant-ph
Maximal Entropy Formalism and the Restricted Boltzmann Machine
本文将受限玻尔兹曼机（RBM）与最大熵形式化结合，提出一种计算高效的量子态层析框架，利用多项式高效量子采样技术增强 RBM 训练，实现可扩展、高保真地重建任意混合量子态。
2025-04-04 quant-ph
Quantum phase classification via partial tomography-based quantum hypothesis testing
Keio University（庆应义塾大学）
本文提出基于量子奈曼-皮尔逊检验的量子相分类方法，通过分块策略减少量子态副本需求，实现更高效的分类性能。
2026-02-04 quant-ph
Coherent quantum tomography
讨论了一种量子力学间接测量方法，从相干量子力学态通过物体的时间演化中恢复位置相关的哈密顿矩阵。该逆问题的数学公式导致加权X射线变换，其中权重是矩阵。我们表明，这样的X射线变换是单射非常粗糙的权重。因此，我们可以在几种情况下解决我们的量子力学逆问题，但我们提出的许多物理相关问题仍然是开放的。我们详细讨论了所提出的成像方法的物理背景。我们给出了一个严格的中微子层析成像方法，以前在物理文献中描述的数学处理。
2016-06-20 math-ph math.CA math.MP
Neural network quantum state tomography in a two-qubit experiment
利用双光子实验的测量数据，研究了基于神经网络量子态的高效量子态层析成像方法的性能。受机器学习启发的变分方法为量子模拟器的可扩展状态表征提供了一条有前途的途径。虽然这些方法的能力已经在合成数据上得到了证明，但实际实验数据的应用仍然很少。我们基准和比较几个这样的方法，将它们应用到测量数据的实验产生两个量子比特纠缠态。我们发现，在实验的缺陷和噪声的存在下，限制变分流形的物理状态，即半正定密度矩阵，大大提高了重建状态的质量，但使学习过程更苛刻。包括额外的，可能是不合理的，约束，如假设纯状态，促进学习，但也偏见的估计。
2020-10-09 quant-ph
All-optical neural network quantum state tomography
量子态层析成像（QST）是实验量子信息处理的几乎所有方面的关键组成部分。作为量子环境中“成像”技术的模拟，QST天生就是一个数据科学问题，其中机器学习技术，特别是神经网络，已经得到了广泛的应用。在这项工作中，我们建立了一个集成的全光设置的神经网络QST，基于全光神经网络（AONN）。我们的AONN配备了内置的非线性激活功能，该功能基于电磁感应透明。实验结果验证了该全光系统的有效性和可行性，表明AONN能有效地减小态制备和测量误差，并能准确地预测量子态的相位参数。考虑到未来量子网络非常需要光学设置，我们集成AONN-QST的全光设置可能会为全光量子网络提供最后一块砖。
2021-06-09 quant-ph
Flow-based Phase-space Tomography of Continuous-variable Quantum States
Massachusetts Institute of Technology（麻省理工学院）；Stanford University（斯坦福大学）；Tufts University（塔夫茨大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Tsinghua University（清华大学）
研究连续变量量子态层析成像，提出基于流的QST-Flow框架，含QST-QFlow和QST-WFlow两个变体，能保持准概率归一化，通过多种态的基准测试展示其优势，为非经典玻色子系统相空间层析成像开辟新途径。
2026-07-24 quant-ph
Quantum process tomography with unsupervised learning and tensor networks
量子技术令人印象深刻的发展步伐要求强大且可扩展的技术来表征和验证量子硬件。量子过程层析成像，从测量数据重建一个未知的量子信道，仍然是典型的原始，以完全表征量子器件。然而，由于所需数据的指数缩放和经典的后处理，其适用范围通常限于单量子位和双量子位门。在这里，我们提出了一种用于执行量子过程层析成像的新技术，该技术通过将通道的张量网络表示与受无监督机器学习启发的数据驱动优化相结合来解决这些问题。我们证明了我们的技术，通过合成生成的数据为理想的一维和二维随机量子线路的高达10量子比特，和一个嘈杂的5量子比特电路，达到0.99以上的过程中，只使用一组有限的单量子比特测量样本和输入状态。我们的研究结果远远超出了最先进的水平，为当前和近期量子计算机中的量子线路基准测试提供了实用和及时的工具。
2020-06-03 quant-ph
Quantum process tomography of structured optical gates with convolutional neural networks
提出基于U-Net架构的卷积神经网络方法，仅用最小测量集即可快速准确重建空间依赖的SU(2)算符，合成过程保真度超90%，并在复杂偏振变换上实验验证，扩展了量子过程层析的数据驱动工具箱。
2024-02-26 quant-ph
Experimentally exploring compressed sensing quantum tomography
随着量子技术的发展，验证过程的正确运行并获得关于量子态的精确断层信息的任务变得越来越重要。压缩感知是一种源自信号处理理论的机器，已经成为一种可行的工具，用于对中等大小的量子系统执行鲁棒的和显著更节省资源的量子态层析成像。在这项工作中，我们提供了一个全面的分析，压缩传感层析成像的制度中，层析成像完整的数据是可靠的统计数据，从实验观察的多模光子架构。由于数据具有较高的统计显著性，因此我们能够系统地探索重建的质量，这取决于从完整数据集中随机选择的测量设置的数量以及不同的模型假设。我们提出并测试了一个完整的处方，以执行有效的压缩感知，并能够可靠地使用模型选择和交叉验证的概念，以考虑实验的缺陷和有限的计数统计。因此，我们建立压缩感知作为一个有效的工具，量子态层析成像，特别适合于光子系统。
2016-11-07 quant-ph
Experimental demonstration of enhanced quantum tomography via quantum reservoir processing
本文在玻色子电路量子电动力学平台上实验演示了量子储层处理用于连续变量态重构，通过最小测量集学习系统动力学，实现高保真重构并优于理想模型，有效处理非理想性。
2025-06-20 quant-ph
Tomography of a Macroscopic Quantum State influenced by Classical Self-Gravity
Huazhong University of Science and Technology（华中科技大学）；Tsinghua University（清华大学）；California Institute of Technology（加州理工学院）
研究经典自引力对宏观机械振子量子态层析成像的影响，基于薛定谔 - 牛顿理论，分析测量记录差异及重建协方差变化，通过赫林格距离量化可区分性，还在非线性量子力学背景下阐述相关问题。
2026-07-09 gr-qc quant-ph
Two-Qubit State Tomography using a Joint Dispersive Read-Out
量子态层析成像是量子信息科学中全面表征多量子比特态及其相关性的重要工具。在这里，我们报告了一种方法来执行联合同时读出的两个超导量子比特色散耦合到微波传输线谐振器的相同模式。谐振器传输对量子比特状态相关腔频率的非线性依赖性允许我们提取完整的两量子比特相关性，而不需要Single Shot读出各个量子比特。我们采用标准的层析技术来重建双量子比特量子态的密度矩阵。
2008-12-15 cond-mat.mes-hall cond-mat.supr-con quant-ph
Optimal evolution models for quantum tomography
本文中提出的研究涉及量子断层扫描的频闪方法，这是量子物理学和线性代数重叠的科学领域。本文介绍了二能级和三能级系统的参量依赖量子信道的代数结构，使得与Kraus算符对应的演化生成元没有简并本征值。在这种情况下，发生器的周期性指数等于$1$，这在物理上意味着存在一个可观测值，其在不同时刻执行足够次数的测量提供了足够的数据来重建初始密度矩阵，从而重建状态的轨迹。介绍了参数的必要条件以及参数之间的关系。本文中提出的结果似乎有相当大的潜在应用在实验中，由于事实上，一个人可以通过进行只有一种测量进行量子层析成像。因此，所分析的演化模型可以被认为是最佳的量子断层扫描的上下文中。最后，我们还介绍了关于$n-$维Hilbert空间的最优演化模型的一些注记.
2016-01-08 math-ph math.MP quant-ph
Quantum Process Tomography of an Optically-Controlled Kerr Non-linearity
任何光学量子信息处理机都将包括用于单态操纵和涉及多个量子光学状态之间的相互作用的任务的完全表征的组成设备。对于后者，理想的是一种能够确定性光学相移的装置，该装置对输入量子态进行操作，其作用仅由辅助信号场介导。在这里，我们提出了完整的实验表征系统设计的光控相移作用于单光子探测相干态。我们的设置是基于一个温暖的蒸汽的铷原子的电磁诱导透明的条件下，通过使用光触发的N型克尔非线性修改其色散特性。我们通过发送一组输入探测态并通过平衡零差层析成像测量相应的输出，随后执行相干态量子过程层析成像技术，充分表征了我们设备的性能。这种方法为我们提供了精确的知识，我们的光学相移将如何修改任何任意输入的量子态重建模式中设计的。
2015-05-14 physics.atom-ph quant-ph
Dynamic Quantum Tomography Model for Phase-Damping Channels
本文提出了一种适用于具有相位阻尼通道演化的开放量子系统的动态量子层析成像模型。在数学上，这些通道对应于由初始密度矩阵与时间相关矩阵的Hadamard乘积定义的完全正的保迹映射，该时间相关矩阵携带关于演化的知识。从物理上讲，考虑这种演化有很强的动机，因为这种通道在开放量子系统的理论中自然出现。量子层析成像的动态方法背后的主要思想是，通过在某些时刻执行相同类型的测量，可以获得用于状态重建的新数据。因此，这种方法导致量子层析成像所需的不同可观测量的数量减少;然而，采用动态方法的确切好处严格取决于量子系统如何随时间演变。相位阻尼通道的代数分析允许一个确定最佳标准的量子层析成像系统的问题。本文中提出的一般定理和观察都附有一个具体的例子，一步一步地展示了理论是如何工作的。本文中介绍的结果可以潜在地应用于实验中，其中有一种趋势是从测量经济的角度来看量子断层扫描，因为每种不同的测量通常需要准备单独的设置。
2020-01-04 math-ph math.MP quant-ph
Ultrafast Molecular Frame Quantum Tomography
本研究开发并实验验证了超快分子框架量子层析成像（MFQT）方法，利用能谱与时域数据得到实验室框架密度矩阵，以NH₃为例证实核转动的非绝热科里奥利耦合可诱导长时电子相干，为多原子体系动力学等研究提供新工具。
2023-10-09 physics.atom-ph physics.chem-ph quant-ph
Many-body quantum state tomography with neural networks
越来越复杂的合成量子系统的实验实现需要发展通用的理论方法，以验证和充分利用量子资源。量子态层析成像（QST）的目的是从简单的测量中重建完整的量子态，因此提供了一个关键的工具，以获得可靠的分析。然而，使用蛮力方法来实现QST，需要的资源随着组成部分的数量呈指数级增长，这使得它除了在小系统中是不可行的。在这里，我们表明，机器学习技术可以有效地用于QST的高度纠缠态，在一维和二维。值得注意的是，由此产生的方法允许人们从简单的实验测量中重建传统上具有挑战性的多体量-例如纠缠熵。这种方法可以使现有和未来几代设备受益，从量子计算机到超冷原子量子模拟器。
2017-10-23 cond-mat.dis-nn cond-mat.quant-gas physics.comp-ph
